Uniwersytet w Białymstoku - Centralny System Uwierzytelniania
Strona główna

Techniki uczenia maszyn 400-IS1-3TUM
Laboratorium (LAB) Rok akademicki 2020/21

Informacje o zajęciach (wspólne dla wszystkich grup)

Liczba godzin: 15
Limit miejsc: (brak limitu)
Literatura:

1. Y. S. Abu-Mostafa, M. Magdon-Ismail, H.-T. Lin: Learning from Data: A Short Course. AMLBook, 2012.

2. P. Cichosz: Systemy uczące się. Wydawnictwa Naukowo-Techniczne, 2001, 2007.

3. Frank E., Hall M.A, and Witten I.H: The WEKA Workbench, Online Appendix for

“Data Mining: Practical Machine Learning Tools and Techniques”

Morgan Kaufmann, Fourth Edition, 2016

https://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf

4. A. Géron: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Hellion, 2020.

5. J. Grus: Data science od podstaw. Analiza danych w Pythonie. Hellion, 2020.

6. T. Mitchell: Machine Learning. McGraw Hill, 1997.

7.F. Provost, T. Fawcett: Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Hellion, 2014.

8. Biblioteki Weka, Scikit-learn, TensorFlow.

9. Pakiety języka R (m.in. rpart, e1071, ReinforcementLearning, RWeka).

10. Pakiety języka Python (m.in. scikit-learn, gym).

Efekty uczenia się:

UMIEJĘTNOŚCI

KP6_UW1 - Potrafi stosować metody algebry: prowadzić proste rozumowania wewnątrz teorii podstawowych struktur algebraicznych, stosować aparat macierzowy do rozwiązywania problemów.

KP6_UW2 - Umie wykorzystać metody statystyczne do analizy danych.

KP6_UW3 - Samodzielnie potrafi zaprojektować algorytmy realizujące wybrane zadania, potrafi przeprowadzić analizę złożoności danego algorytmu.

KP6_UW4 - Wybiera odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań.

KP6_UW5 - Samodzielnie implementuje algorytmy stosując odpowiednie elementy wybranego języka programowania.

KP6_UW10 - Potrafi opisać problemy wyrażone w języku naturalnym w terminologii sztucznej inteligencji.

KP6_UW15 - Potrafi modelować cyfrowo wybrane zjawiska i symulować obliczeniowo procesy, potrafi optymalizować reprezentacje cyfrowe zjawisk i procesów.

KP6_UK1 - Posługuje się terminologią informatyczną w języku angielskim.

KP6_UK2 - Potrafi przygotować opracowanie zagadnień informatycznych w języku polskim oraz zaprezentować je.

KP6_UK3 - Potrafi samodzielnie opracować rozwiązanie zadanego zagadnienia informatycznego z pogranicza teorii i praktyki oraz przedstawić rozwiązanie i wnioski.

KP6_UO1- Potrafi pracować w zespole programistycznym przy kompleksowym rozwiązaniu zadanego problemu.

KP6_UO2 - Potrafi współpracować w grupie realizując wspólne projekty

KP6_UU1 - Rozumie potrzebę podnoszenia swoich umiejętności i kwalifikacji

Forma weryfikacji wszystkich efektów uczenia się w zakresie UMIEJĘTNOŚCI:

ocena realizacji zadań i ćwiczeń laboratoryjnych i aktywności studenta na zajęciach.

KOMPETENCJE SPOŁECZNE

KP6_KK1 - Starannie określa priorytety i kolejność swoich działań

KP6_KO1 - Wykazuje postawę kreatywności i innowacyjności niezbędną do podjęcia praktycznej aktywności w społeczeństwie informacyjnym

Forma weryfikacji wszystkich efektów uczenia się w zakresie KOMPETENCJE SPOŁECZNE:

ocena aktywności studenta i współpracy z innymi studentami na zajęciach.

Metody i kryteria oceniania:

Zaliczenie laboratorium odbywa się na podstawie:

S - sprawozdania i rozmowy z prowadzącym laboratorium z przeprowadzonych eksperymentów (ze współczynnikiem i=0,9),

A - aktywności na zajęciach (ze współczynnikiem. j=0,1).

gdzie S, A są ocenami "szkolnymi" w przedziale <2, 5>, z przyrostem 0,5

Ocenę końcową wyznacza się za pomocą następującej formuły z uwzględnieniem zaokrąglenia na progach - 0,25 i 0,75 w ramach przedziału całkowitego (np. 3,25; 3,75):

i*S + j*A

np. dla S=4, A=5 jest 0,9*4 + 0.1*5 =4,1, co daje ocenę końcową 4,0

Dopuszczalna liczba nieobecności nieusprawiedliwionych: 2

Nieobecności powyżej 2 wymagają zaliczenia na konsultacjach.

Ponad 50 % nieobecności powoduje automatycznie niezaliczenie zajęć.

Forma zaliczenia: zaliczenie w formie zdalnej.

Zakres tematów:

Eksperymenty indywidualne i zespołowe przykłady i zadania w nastepujących kwestiach: regresja liniowa, indukcja drzew decyzyjnych, klasyfikowanie za pomocą klasyfikatorów Bayesa, ocena jakości klasyfikatorów, grupowanie.

Metody dydaktyczne:

Laboratoryjne zajęcia indywidualne i grupowe polegające na rozwiązywanie zadań, prowadzeniu eksperymentów oraz wykorzystaniu bibliotek oprogramowania oraz dyskusjach w grupie.

Grupy zajęciowe

zobacz na planie zajęć

Grupa Termin(y) Prowadzący Miejsca Liczba osób w grupie / limit miejsc Akcje
1 (brak danych), (sala nieznana)
Mieczysław Muraszkiewicz 11/ szczegóły
Wszystkie zajęcia odbywają się w budynku:
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.
ul. Świerkowa 20B, 15-328 Białystok tel: +48 85 745 70 00 (Centrala) https://uwb.edu.pl kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-4 (2024-07-15)